9月19日消息，繼SuperCLUE中文大模型評測基準(zhǔn)8月榜單發(fā)布之后，國內(nèi)又一權(quán)威評測體系FlagEval（天秤）公布最新9月榜單評測結(jié)果。

FlagEval（天秤）是北京智源人工智能研究院推出的大模型評測體系及開放平臺，旨在建立科學(xué)、公正、開放的評測基準(zhǔn)、方法、工具集，協(xié)助研究人員全方位評估基礎(chǔ)模型及訓(xùn)練算法的性能。FlagEval 大語言模型評測體系當(dāng)前包含6大評測任務(wù)，近30個評測數(shù)據(jù)集，超10萬道評測題目。

據(jù)悉，在9月評測中，F(xiàn)lagEval進(jìn)行了評測框架升級，細(xì)化「安全與價值觀」與「推理能力」。依據(jù)最新版的能力框架，F(xiàn)lagEval 團(tuán)隊同步更新了智源自建的 Chinese Linguistics & Cognition Challenge (CLCC) 主觀評測數(shù)據(jù)集題庫v2.0，題目數(shù)量擴(kuò)充3倍，采用“多人‘背靠背’評測+第三方仲裁”的方式保證評測結(jié)果的一致性。

基于最新 CLCC v2.0主觀評測數(shù)據(jù)集，F(xiàn)lagEval（天秤）9月榜重點(diǎn)評測了近期大熱的 7 個開源對話模型。從整體結(jié)果來看，Baichuan2-13b-chat、Qwen-7b-chat、Baichuan2-7b-chat名列前茅，準(zhǔn)確率均超過 65%。

在基座模型榜單中，Baichuan 2、Qwen、InternLM、Aquila 的客觀評測結(jié)果表現(xiàn)均超越同參數(shù)量級的 Llama 及 Llama2 模型。

在 SFT 模型榜單中，Baichuan2-13B-chat、YuLan-Chat-2-13B、AquilaChat-7B 名列前三。

另外，值得注意的是，在客觀評測兩個榜單中，Baichuan 2均表現(xiàn)出優(yōu)異性能，基礎(chǔ)模型測試在中英文領(lǐng)域均全面超越Llama2。

生成海報